为什么Keras不愿意在[1,1]之外做出预测

我极其精简的代码如下所示：

#!/usr/bin/python3

from keras.layers import Input
from keras.layers.core import  Dense
from keras.models import Model
import numpy as np

inp = Input(shape=[1])
out = Dense(units=1, activation='linear')(inp)
model = Model(inputs=inp, outputs=out)
model.compile(loss='mean_absolute_error',
              optimizer='rmsprop')


x=np.array([[0]])
y=np.array([[42]])

model.fit(x,y,epochs=1000, verbose=False)
prediction = model.predict(x)

print(prediction)

它输出

[[1.0091327]]

该模型有两个参数：1维输出的权重和偏差。权重并不重要，因为

x

始终为0。这应该很容易训练

如果我对y使用

0.42

或

-0.42

而不是

42

，则它工作正常（4.2和-42不起作用）。所以我认为一定有某种形式的标准化，要么输出，要么偏向[-1,1]

有人知道这种规范化是什么，以及如何关闭它吗

---

（在有人告诉我不应该用神经网络做这么愚蠢的事情之前，我真正的代码做的更多。我写这个精简版本是为了清晰和调试。）

不，没有内置的规范化，这是用户的工作

您看到的是我们使用规范化的“原因”，没有规范化，优化问题会困难得多，在我运行示例后，您可以看到损失不会接近于零，而是保持在41左右

如果您做了一些更改，比如使用均方误差损失并将此示例运行50K个历元，那么您将使其收敛到零损失，并按预期输出42

初学者的一个常见错误是看预测而不先看训练损失，因为损失很高，这意味着预测是错误的